一种机群意图识别方法、装置、计算机设备及可读介质

1.本技术涉及指挥控制系统技术领域，更具体地，涉及一种机群意图识别方法、装置、计算机设备及可读介质。


背景技术：

2.随着智能感知技术的快速发展，针对于空中目标的检测、识别精度和准确性大大提高。对于空中目标意图的高效、正确分析可以为正确决策提供有效支撑，是获取决策优势的关键因素之一。随着空中目标数量快速增加、且呈现高度动态变化，也为目标意图的正确识别带来了挑战。由于空中目标通常以群体形式组织，共同执行任务，因此，空中的机群通常具有较为一致的意图。
3.在群体意图识别方面，现有研究大多集中在通过编队线型队形的某一类特征，如领域特征、战术群特征来进行编队队形识别，作为对目标意图进行识别的重要依据；对于如何基于识别出的机群队形来进行目标的意图分析研究较少，更没有结合“知识”手段来提升意图分析效果。


技术实现要素：

4.针对现有技术的至少一个缺陷或改进需求，本发明提供了一种机群意图识别方法、装置、计算机设备及可读介质，在分析机群特征及其意图的基础上，构建机群特征与意图之间的关联模型以建立一个可迭代拓展的机群知识图谱，结合决策理论中的萨凡奇决策准则的方法进行机群意图综合识别，以期为智能化条件下的指挥控制提供参考。
5.为实现上述目的，按照本发明的第一个方面，提供了一种机群意图识别方法，该方法包括以下步骤：
6.获取当前待分析的机群编队中飞机的位置及机型信息，根据所述位置信息识别机群编队的机群阵型；
7.从预先创建的机群知识图谱中获取与所述机群阵型关联的第一机群意图，以及分别与每种飞机型号关联的第二机群意图；
8.将所述第一机群意图与第二机群意图取交，获得初始意图识别结果；
9.若初始意图识别结果中包含一个机群意图，则将所述机群意图作为当前待分析的机群编队的真实意图；
10.若初始意图识别结果中包含一个以上的机群意图，采用萨凡奇决策准则从多个机群意图中筛选出当前待分析的机群编队的真实意图；
11.从所述机群知识图谱中查找与所述真实意图关联的目标实体并输出。
12.优选的，上述机群意图识别方法中，若所述初始意图识别结果中不存在任何一个机群意图，则将所述第一机群意图与第二机群意图取并，获得更新后的初始意图识别结果。
13.优选的，上述机群意图识别方法中，所述机群知识图谱的创建包括：
14.分别建立意图实体和普通实体，定义各实体的属性；所述意图实体为机群意图类
型实体；所述普通实体包括飞机类型实体、机群类型实体、机群编队阵型实体、飞机型号类型实体、出发地实体、目标类型实体和目标实体；
15.建立各普通实体之间，以及意图实体与各普通实体之间的关联关系。
16.优选的，上述机群意图识别方法中，所述采用萨凡奇决策准则从多个机群意图中筛选出当前待分析的机群编队的真实意图，包括：
17.基于萨凡奇决策准则，构建初始意图识别结果中每个机群意图相对于真实意图的意图判别收益表；
18.基于所述意图判别收益表建立意图判别机会损失表，得到初始意图识别结果中每个机群意图相对于真实意图的机会损失值；
19.在所述意图判别机会损失表中查找最小最大机会损失，所述最小最大机会损失所对应的机群意图为机群编队的真实意图。
20.优选的，上述机群意图识别方法中，当初始意图识别结果中存在n个机群意图，则意图判别收益表的大小为n
×
n，表中第i行第j列的元素b
ij
表示第j列的机群意图相对于第i行真实意图的收益值；其中，n为大于等于2的自然数；1≤i≤n，1≤j≤n。
21.优选的，上述机群意图识别方法中，所述从所述机群知识图谱中查找与所述真实意图关联的目标实体并输出，包括：
22.从所述机群知识图谱中查找与所述真实意图关联的目标类型集合；
23.若所述目标类型集合中不存在任一目标类型，则表明当前待分析的机群编队不针对特定目标类型；
24.否则，从所述机群知识图谱中查询目标类型集合中每个目标类型所关联的目标实体集合，统计所述目标实体集合中落入机群编队的活动半径内的所有目标实体，作为当前待分析的机群编队可能针对的目标实体并输出。
25.优选的，上述机群意图识别方法中，所述识别所述机群编队的机群阵型，包括：
26.采用机群编队阵型训练集对卷积神经网络进行训练，得到训练好的机群编队阵型结构特征模型；所述机群编队阵型训练集中包含具有不同机群编队阵型的多个训练样本；
27.根据训练好的机群编队阵型结构特征模型，识别当前待分析的机群编队的机群阵型。
28.按照本发明的第二个方面，还提供了一种机群意图识别装置，其包括：
29.阵型识别模块，用于获取当前待分析的机群编队中飞机的位置及机型信息，根据所述位置信息识别所述机群编队的机群阵型；
30.意图识别模块，用于从预先创建的机群知识图谱中获取与所述机群阵型关联的第一机群意图，以及分别与每种飞机型号关联的第二机群意图；将所述第一机群意图与第二机群意图取交，获得初始意图识别结果；
31.若初始意图识别结果中包含一个机群意图，则将所述机群意图作为当前待分析的机群编队的真实意图；
32.若初始意图识别结果中包含一个以上的机群意图，采用萨凡奇决策准则从多个机群意图中筛选出当前待分析的机群编队的真实意图；
33.结果输出模块，用于从所述机群知识图谱中查找与所述真实意图关联的目标实体并输出。
34.按照本发明的第二个方面，还提供了一种计算机设备，其包括至少一个处理单元、以及至少一个存储单元，其中，所述存储单元存储有计算机程序，当所述计算机程序被所述处理单元执行时，使得所述处理单元执行上述任一项所述机群意图识别方法的步骤。
35.按照本发明的第二个方面，还提供了一种计算机可读介质，其存储有可由计算机设备执行的计算机程序，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述任一项所述机群意图识别方法的步骤。
36.总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
37.本发明提供的机群意图识别方法、装置、计算机设备及可读介质，构建了一个能够反映机群阵型、飞机属性、出发地、目标及机群意图的关联关系的机群知识图谱，较好解决了机群群体、飞机个体与意图之间的关联性描述，并具有可迭代拓展性；基于识别出的机群编队的机群阵型以及机群编队中包含的全部飞机类型从机群知识图谱中获取所有可能的机群意图，然后利用机群意图综合判决方法从中筛选真实意图，该机群意图综合判决方法能够综合考虑各类因素影响，获取最可能的机群意图，提高了意图识别的准确性。
附图说明
38.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例中所需使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
39.图1为本实施例提供的机群意图识别方法的流程图；
40.图2是本实施提供的机群意图综合识别过程的流程示意图；
41.图3为本实施例提供的机群意图识别装置的逻辑框图；
42.图4为本实施例提供的计算机设备的逻辑框图。
具体实施方式
43.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。
44.本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
45.由于飞机通常会以编队形式组织成机群，协同完成统一任务目标，因而会体现出较为一致的群体意图。而知识图谱由于具备表示和分析实体间复杂关系的能力，可以很好的描述实体的属性及实体间的关联关系，已经在信息推荐、智能搜索、深度问答等领域得到了广泛应用。本发明以机群为对象，提出一种基于知识的机群意图识别方法，主要考虑机群所体现出的编队阵型结构特征所体现出的意图及飞机自身功能属性可体现出的意图，通过知识图谱建立特征与意图的关联，再对机群意图进行综合识别。具体技术方案为：利用卷积神经网络算法对机群常见阵型结构特征进行训练以获得阵型结构特征模型用于机群编队
阵型识别；对机群阵型、属性、意图等信息进行关联建模以构建机群知识图谱；通过识别出的机群阵型及飞机型号信息查询机群知识图谱获取机群可能的意图集合；最后通过一种综合判别方法识别机群意图。
46.图1是本实施例提供的机群意图识别方法的流程图，参见图1所示，该方法主要包括以下步骤：
47.s1获取当前待分析的机群编队中飞机的位置及机型信息，根据各飞机的位置信息识别所述机群编队的机群阵型；
48.本实施例中，采用基于深度学习的卷积神经网络实现机群阵型的智能识别；具体的：
49.采用机群编队阵型训练集对卷积神经网络进行训练，得到训练好的机群编队阵型结构特征模型；该机群编队阵型训练集中包含具有不同机群编队阵型的多个训练样本；不同机群编队阵型包括但不限于箭队、菱队、蛇行队、楔队、纵队、梯队、横队等常见阵型，训练样本中包含由飞机位置信息所生成的各种机群编队阵型及其运动方向的图像。
50.根据训练好的机群编队阵型结构特征模型，识别当前待分析的机群编队的机群阵型。
51.机群编队阵型结构特征模型的训练过程参考卷积神经网络的常规训练流程，本实施例中不再赘述。
52.需要说明的是，本方案的机群阵型识别也可以采用现有文献中基于机群队列的领域特征、任务状态属性等特征来进行，并不局限于卷积神经网络。
53.s2从预先创建的机群知识图谱中获取与所述机群阵型关联的第一机群意图，以及分别与每种飞机型号关联的第二机群意图；
54.本实施例中，基于预先创建的、可迭代拓展的机群知识图谱进行意图分析，该机群知识图谱的创建包括：
55.分别建立意图实体和普通实体，定义各实体的属性；所述意图实体为机群意图类型实体；所述普通实体包括飞机类型实体、机群类型实体、机群编队阵型实体、飞机型号类型实体、出发地实体、目标类型实体和目标实体；建立各普通实体之间，以及意图实体与各普通实体之间的关联关系。
56.具体来说，建立机群知识关联模型的详细过程如下：
57.步骤1.1建立飞机类型实体，用于表示歼击机、运输机、预警机、侦察机等各种飞机类型，各类飞机类型的属性定义为一个表征该类飞机重要程度的量α，取值范围为[0,1]。
[0058]
步骤1.2建立机群类型实体，与飞机类型相对应，用于表示歼击机群、运输机群侦察机群等不同飞机类型构成的不同类型机群。同时，增加一类混编群表示不同类型飞机进行混合编队的情况。
[0059]
步骤1.3建立机群编队阵型实体，用于表示横队、楔队等常见的机群编队阵型，其属性与经过卷积神经网络(cnn)方法训练好的机群编队阵型结构特征模型链接。
[0060]
步骤1.4建立飞机型号类型实体，用于表示飞机的具体型号，如“f-35a”、“f-22”等。对于不同型号的飞机，其属性与飞机研发过程中的各项指标相关，包括其最大航程、活动半径、最大飞行高度、用途等；各型号飞机的用途属性表示其能够执行的任务，与其意图相关。
[0061]
步骤1.5建立机群意图类型实体，用于表示格斗、轰炸、监视、预警、空中加油等不同的意图。由于不同意图所造成的威胁程度不同，机群意图类型实体的属性被定义为一个反映意图威胁度的量β，取值范围为[0,1]。
[0062]
步骤1.6建立出发地实体，用于表示机群出发的各机场、水面活动机场、陆地机动平台等，其属性为其知识图谱中存储或实时更新的机群出发地位置信息。
[0063]
步骤1.7建立目标类型实体，包括地面目标、空中目标、水面目标等。
[0064]
步骤1.8建立目标实体，用于我方目标实体如各类活动的水面目标、空中目标、机场、港口等，其属性包括：目标位置信息，包括知识图谱存储的静态目标位置经纬度信息或实时获取并更新的动态目标当前位置信息。
[0065]
步骤1.9建立各类实体关联关系，主要包括两类：一是普通实体关系，包括机群类型实体与飞机类型实体之间、飞机类型实体与飞机型号之间、机群编队阵型实体与机群类型实体之间、目标类型实体与目标实体之间以及各实体与其属性之间的属于、组成、呈现、具有等关系；二是普通实体对意图实体的关联关系，包括机群阵型实体与意图实体之间、各飞机型号实体与意图实体之间的支持关系，以及意图实体针对于目标类型实体的关系，例如格斗意图针对空中目标、对地攻击意图则针对地面目标等。
[0066]
然后，基于对知识图谱关联查询结果进行机群意图综合识别，具体的：
[0067]
s21将第一机群意图与第二机群意图取交，获得初始意图识别结果；
[0068]
特别的，若所述初始意图识别结果中不存在任何一个机群意图，则将所述第一机群意图与第二机群意图取并，获得更新后的初始意图识别结果；
[0069]
s22若初始意图识别结果中包含一个机群意图，则将所述机群意图作为当前待分析的机群编队的真实意图；
[0070]
s23若初始意图识别结果中包含一个以上的机群意图，采用萨凡奇决策准则从多个机群意图中筛选出当前待分析的机群编队的真实意图；
[0071]
本实施例中，采用萨凡奇决策准则从多个机群意图中筛选出当前待分析的机群编队的真实意图，具体包括：
[0072]
基于萨凡奇决策准则，构建初始意图识别结果中每个机群意图相对于真实意图的意图判别收益表；
[0073]
当初始意图识别结果中存在n个机群意图，则意图判别收益表的大小为n
×
n，表中第i行第j列的元素b
ij
表示第j列的机群意图相对于第i行真实意图的收益值；其中，n为大于等于2的自然数；1≤i≤n，1≤j≤n。
[0074]
基于所述意图判别收益表建立意图判别机会损失表，得到初始意图识别结果中每个机群意图相对于真实意图的机会损失值；
[0075]
在所述意图判别机会损失表中查找最小最大机会损失，所述最小最大机会损失所对应的机群意图为机群编队的真实意图。
[0076]
s4从所述机群知识图谱中查找与所述真实意图关联的目标实体并输出；具体包括：
[0077]
从机群知识图谱中查找与真实意图关联的目标类型集合；
[0078]
若目标类型集合中不存在任一目标类型，则表明当前待分析的机群编队不针对特定目标类型；
[0079]
否则，从机群知识图谱中查询目标类型集合中每个目标类型所关联的目标实体集合，统计目标实体集合中落入机群编队的活动半径内的所有目标实体，作为当前待分析的机群编队可能针对的目标实体并输出。
[0080]
图2是本实施提供的机群意图综合识别过程的流程示意图，机群意图综合识别过程的输入和输出分别为：
[0081]
输入：基于对知识图谱关联查询结果，获取当前机群阵型所关联的意图集合i
阵型
，机群中包含的各类飞机型号所关联的意图i
机型
，机群包含飞机类型总数为k，且类型为t的飞机类型数量n
t
(例如，飞机类型为轰炸机的数量为2)，机群的出发地信息。
[0082]
输出：机群意图判决结果i及机群可能针对的目标实体。
[0083]
如图2所示，综合识别的具体步骤为：
[0084]
步骤2.1将查询获得的机群编队阵型实体所关联的机群意图与机群内各飞机型号实体关联的机群意图取交集，即得到初始意图识别结果i
初始
＝i
阵型
∩i
机型1
∩i
机型2
…
∩i
机型m
。
[0085]
步骤2.2针对初始意图识别结果进行判断，i
初始
可能存在三种情况：情况1，如果i
初始
中有且仅有一个机群意图，则综合识别结果i＝i
初始
，意图综合判别过程结束，转步骤2.7；情况2，如果i
初始
中存在多个机群意图，则每种机群意图都可能是最终的机群意图，转步骤2.4进行进一步判别；情况3，如果即不存在任何机群意图交集，则初始的所有机群意图都可能是机群的意图，转步骤2.3进行进一步处理。
[0086]
步骤2.3将机群编队阵型实体所对应的机群意图与机群内各飞机型号实体对应的机群意图取并集，即i
初始
＝i
阵型
∪i
机型1
∪i
机型2
…
∪i
机型m
。
[0087]
步骤2.4基于萨凡奇决策准则，构建初始意图识别结果中每个机群意图相对于真实意图的意图判别收益表。
[0088]
若i
初始
中存在n个意图，则收益表大小为n
×
n，表中第i行第j列的元素b
ij
表示第j列的意图估计结果相对于第i行真实意图的收益值；其中，n为大于等于2的自然数；1≤i≤n，1≤j≤n。
[0089]
当i＝j时，收益值为第i行真实意图的威胁度与各类飞机重要性及该类型飞机数量乘积之和的乘积，即
[0090]
当i≠j时，收益值为第j行j列收益值减去第i行i列收益值，即b
ij
＝b
jj-b
ii
。
[0091]
步骤2.5基于意图判别收益表建立意图判别机会损失表，即用意图判别收益表中每行的最大值减去该行的各元素值，得到初始意图识别结果中每个机群意图相对于真实意图的机会损失值。
[0092]
步骤2.6查找最小最大机会损失进行判别，统计意图判别机会损失表中每列机会损失的最大值，而后再在各列最大机会损失中查找其最小者，就是意图估计结果相对于真实意图的最小最大机会损失，则该列所对应的意图估计结果为机群最终的意图识别结果，即真实意图。
[0093]
步骤2.7查询机群知识图谱，查找真实意图对应的目标类型集合为o
类型
。若则表明机群意图不针对特定目标类型，输出最终意图识别结果，转步骤2.9；否则，关联查询目标类型所对应的目标实体集合o
实体
。
[0094]
步骤2.8统计目标实体集合o
实体
中落入机群活动半径内的目标实体o，即根据机群出发地位置信息、机群内各机型活动半径的交集(活动半径来源于飞机的属性)以及目标实体位置信息，可计算出当前机群活动半径内的所有目标实体o，作为当前机群意图识别结果所可能针对的目标信息。
[0095]
步骤2.9，综合识别过程结束。
[0096]
应当注意，尽管在上述的实施例中，以特定顺序描述了本说明书实施例的方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0097]
本实施例还提供了一种机群意图识别装置，如图3所示，该装置包括阵型识别模块、意图识别模块和结果输出模块，其中，
[0098]
阵型识别模块用于获取当前待分析的机群编队中飞机的位置及机型信息，根据各飞机的位置信息识别所述机群编队的机群阵型；
[0099]
意图识别模块用于从预先创建的机群知识图谱中获取与所述机群阵型关联的第一机群意图，以及分别与每种飞机型号关联的第二机群意图；将所述第一机群意图与第二机群意图取交，获得初始意图识别结果；
[0100]
若初始意图识别结果中包含一个机群意图，则将所述机群意图作为当前待分析的机群编队的真实意图；
[0101]
若初始意图识别结果中包含一个以上的机群意图，采用萨凡奇决策准则从多个机群意图中筛选出当前待分析的机群编队的真实意图；
[0102]
结果输出模块用于从所述机群知识图谱中查找与所述真实意图关联的目标实体并输出。
[0103]
关于机群意图识别装置的具体限定可以参见上文中对于机群意图识别方法的限定，在此不再赘述。上述机群意图识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0104]
本实施例还提供了一种计算机设备，如图4所示，其包括至少一个处理器、以及至少一个存储器，其中，存储器中存储有计算机程序，当计算机程序被处理器执行时，使得处理器执行上述机群意图识别方法的步骤，此处不再赘述；本实施例中，处理器和存储器的类型不作具体限制，例如：处理器可以是微处理器、数字信息处理器、片上可编程逻辑系统等；存储器可以是易失性存储器、非易失性存储器或者它们的组合等。
[0105]
该计算机设备也可以与一个或多个外部设备(如键盘、指向终端、显示器等)通信，还可与一个或者多个使得用户能与该计算机设备交互的终端通信，和/或与使得该计算机设备能与一个或多个其它计算终端进行通信的任何终端(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口进行。并且，计算机设备还可以通过网络适配器与一个或者多个网络(例如局域网(local area network，lan)，广域网(wide area network，wan)和/或公共网络，例如因特网)通信。
[0106]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0107]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0108]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。